实验目的：
1.学习使用Microsoft NaïveBayes创建OLAP数据挖掘模型。
2.深入理解贝叶斯分类的数据挖掘意义。
实验步骤：
（1）打开程序->Microsoft SQL Server 2008->SQL Server Business Intelligence Development Studio，启动SQL Server 2008 BI的开发环境。
（2）在“文件”菜单上，指向“新建”，然后选择“项目”。选中“项目类型”窗格中的“商业智能项目”。选中“模板”窗格中的“Analysis Services项目”。在“名称”框中，将新项目重命名，单击“确定”。
（3）参照实验一具体方法，在“解决方案资源管理器”中“新建数据源”。
（4）参照实验一具体方法，在解决方案资源管理器中“新建数据源视图”。
（5）参照实验一具体方法，在“解决方案资源管理器”中“新建挖掘结构”。注意在“创建数据挖掘结构”页上，选择“MicrosoftNaïveBayes”。
如图所示：
在进行类型选择的时候，发现只能检测的属性的类型有点误差，所以需要手动修改出身、国别、身份的属性类别为离散的，其他输入属性都为可离散化的属性类型。
在这里我使用的是测试集为30%的比例。
（6）在解决方案资源管理器中，右键单击创建的挖掘结构，选择“处理”该挖掘结构；在“处理挖掘结构”页面中单击“运行”按钮，完成数据挖掘过程。
（7）通过“挖掘模型查看器”、“挖掘准确性图表”和“挖掘模型预测”查看挖掘结果，并能通过模型预测未知数据的结果。
点击依赖网络，根据实验结果的观察，发现政治、统御、忠诚、武力、智慧都是输入属性，可预测的输出属性只有身份。
通过点击查找节点（望远镜），选择武力对身份预测的颜色变化，可以清楚的看到武力对身份的影响。
通过点击属性配置文件，可以观察到每个输入属性和每个输出属性的关系。
比如说看到统御对身份预测的影响，结果可以看到，统御这个属性对身份1和身份2的预测能力比较好，可以清楚的区分出几个身份，就拿统御来说就可以清楚的分辨出身份1和身份2，因为色块占的比重区别很大。
对挖掘模型的预测中，发现贝叶斯算法和决策树算法有点不同，连续的属性不能进行自动输入值，而是一个区间的值，预测的步骤相同。
可以看到预测为身份1
可以看到提升图中预测的准确率可以达到73%，比贝叶斯算法准确率高。
通过观察属性特征，对身份值为3即文官来说，属性忠诚、政治、智慧的概率达到了50%以上，说明对文官来说这三个属性是决定属性。
通过观察属性对比，当武力值大于86、统御值大于83明显倾向于身份为1即将军。
其他属性倾向不明显或者趋向于其他状态。
观察分类矩阵可以看到对角线上是准确的值，其他部分就是不准确的预测点。
在这里可以设置算法的参数，根据需要对输出属性、输入属性以及状态值得设置，但是一般不进行最后一个参数的修改。
实验总结：
对于朴素贝叶斯算法，我在实验的过程中可以感觉到决策树和贝叶斯算法的一些区别，可以看到预测的准确率要比决策树的准确率高很多，离群点对于整体影响并不大。但是缺点就是在实际生活中，各属性一般情况下都会有关联，不会绝对的独立。在属性的特征和属性对比图上可以很清晰的属性与预测部分的关系。
